Descargar Koopa - Descarga del código fuente Koopa

Koopa

Otro código fuente

Descargar

Koopa

Esta es la base de código oficial del artículo: Koopa: Aprendizaje de dinámicas de series temporales no estacionarias con predictores Koopman, NeurIPS 2023. [Diapositivas], [Póster].

Actualizaciones

Noticias (2024.2) La introducción de nuestro trabajo en chino está disponible: [Oficial], [Zhihu].

Noticias (2023.10) Koopa ha sido incluido en la [Biblioteca de series temporales].

Introducción

Koopa es un modelo liviano , basado en MLP e inspirado en la teoría para el pronóstico eficiente de series de tiempo.

En comparación con los pronosticadores profundos avanzados pero minuciosamente capacitados, Koopa logra un rendimiento de vanguardia al tiempo que ahorra un 77,3 % de tiempo de entrenamiento y un 76,0 % de huella de memoria.

Centrándose en retratar series temporales no estacionarias ubicuas, Koopa muestra una capacidad de modelo mejorada potenciada por la teoría moderna de Koopman que aborda naturalmente la evolución no lineal de las series temporales del mundo real.

Koopa se diferencia del Koopman Autoencoder canónico sin la función de pérdida de reconstrucción para lograr un entrenamiento predictivo de un extremo a otro .

Discusiones

Ya hay varias discusiones sobre nuestro artículo, apreciamos mucho sus valiosos comentarios y esfuerzos: [Oficial], [Openreview], [Zhihu].

Preparación

Instale Pytorch (>=1.12.0) y otras dependencias necesarias.

 pip install -r requirements.txt

Los seis conjuntos de datos de referencia se pueden obtener de Google Drive o Tsinghua Cloud.

Guiones de entrenamiento

Proporcionamos los scripts del experimento de Koopa y los hiperparámetros de todos los conjuntos de datos de referencia en la carpeta ./scripts .

bash ./scripts/ECL_script/Koopa.sh
bash ./scripts/Traffic_script/Koopa.sh
bash ./scripts/Weather_script/Koopa.sh
bash ./scripts/ILI_script/Koopa.sh
bash ./scripts/Exchange_script/Koopa.sh
bash ./scripts/ETT_script/Koopa.sh

Aplicable al pronóstico móvil

Al adaptar al operador a la serie temporal entrante durante el pronóstico continuo, el modelo propuesto puede lograr un rendimiento más preciso adaptándose al cambio de distribución continuo.
La implementación ingenua de la adaptación del operador se basa en el algoritmo DMD. Proponemos un algoritmo iterativo de complejidad reducida. Los detalles se pueden encontrar en el Apéndice de nuestro artículo.
También proporcionamos un cuaderno tutorial para una mejor comprensión de este escenario. Consulte operator_adaptation.ipynb para obtener más detalles.

Citación

Si encuentra útil este repositorio, cite nuestro artículo.

 @article{liu2023koopa,
  title={Koopa: Learning Non-stationary Time Series Dynamics with Koopman Predictors},
  author={Liu, Yong and Li, Chenyu and Wang, Jianmin and Long, Mingsheng},
  journal={arXiv preprint arXiv:2305.18803},
  year={2023}
}